三种混沌免疫优化组合算法性能之比较研究

利用混沌迭代的遍历性和内在随机性，提出三种混沌免疫优化组合算法，以弥补免疫进化算法收敛性能差的缺陷。这三种算法均综合了免疫进化算法和混沌优化算法各自的空间搜索优势，分别把混沌变量加载于免疫算法的总种群、遗传操作种群和记忆库种群的变量群体中，利用混沌搜索的特点对这些群体进行微小扰动并逐步调整扰动幅度。对三种算法的性能进行了实验比较，结果表明算法一具有更好的收敛性能和搜索效率。     

一种改进的RBF神经网络学习算法

提出了一种改进的RBF神经网络学习算法 ,分别通过减聚类和监督学习算法对网络参数和权值进行训练 ,既可以根据样本合理地聚类、确定RBF径向基函数的个数和相应参数 ,又具有较强的网络映射能力 ,从而不仅使RBF神经网络结构得以优化 ,性能也得到了提高。仿真结果表明了该学习算法的实用性和有效性     

四种改进免疫算法及其比较

免疫算法是模拟生物免疫系统功能的一种智能优化算法，具有解决复杂工程问题的潜力。然而．免疫算法存在两个严重的缺陷：容易陷入局部最优平衡态．进化后期搜索停滞不前。通过在免疫机理、优化机制、结构和行为等方面进行深入分析和巧妙改进，提出了多种群免疫算法、双倍体免疫算法、自适应免疫算法和多种群双倍体自适应免疫算法四种新的免疫算法。对20个典型组合优化Job—Shop Benchmark问题进行了仿真试验，仿真结果表明提出的四种新免疫算法均优于一般免疫算法，不仅有很好的全局收敛性，而且稳定高效。     

BP神经网络算法的改进

本文分析了ＢＰ算法所面临的问题，给出了一种改进算法，说明了它们的原理和应用环境，将它们与传统的ＢＰ算法作了比较，并通过一实例验证：应用改进算法可以大幅度地提高ＢＰ神经网络的学习速度，这对ＢＰ神经网络的应用有较大实际意义。     

人工神经网络的一种改进的B-P学习算法及其应用

本文首先简要地介绍了人工神经网络(以下简称神经网络)的B—P学习算法,继而分析了B—P算法收敛速度慢的内在原因,讨论一些加速B—P算法收敛的措施,提出了一种改进的B—P学习算法(MB—P)。将这种算法应用于两类含噪飞机图象目标识别系统,并进行了仿真实验。实验结果表明,MB—P学习算法的收敛速度比B—P算法的收敛速度快许多,而且分别用这两种学习算法训练的神经网络对目标具有大致相同的识别率。     

一种构造径向基神经网络的新型IPL算法

提出了一种新型的IPL(incremental projection learning)算法。该算法通过调整网络参数,达到修正IPL 算子A的目的。与原来的IPL算法相比,新算法所需训练样本数较少,步骤简单,训练速度快。仿真结果表明,由 经过改进的。IPL算法得到的径向基网络结构相对简单,结果也较精确。     

一种新型δ函数神经元构成的神经网络及学习算法

本文提出一种新型δ函数神经元构成的三层前馈神经网络,其隐层中神经元采用δ变换函数而不是ｓｉｇｍｏｉｄ函数。学习算法不再采用误差反向传播（ＢＰ）算法,而是通过选定隐层与输入层之间的自由权来确定隐层与输出层间的待求权的直接算法完成学习。这种学习算法运算速度快,不存在局部极小和收敛速度慢的问题,只要隐层δ函数神经元个数等于样本对数量就一定能完成学习,这是传统ＢＰ算法不能比拟的。计算机仿真实例表明该算法是十分有效的。     

一种基于频域分析的小波神经网络收敛算法

针对高精度神经网络在线学习过程中，当神经网络所用的神经元和采样数据非常多，传统的梯度下降法很难保证得到的神经网络具有良好的推广能力的问题。根据小波理论提出一种基于频域分析的在线学习算法，并通过仿真试验对这种新的算法进行验证。理论和试验都表明它不但能够保证神经网络在线辨识过程中具有良好的推广能力，而且加快了神经网络的收敛速度。     

一种新型复合神经网络模型

本文首先详细地阐述了ＢＰ神经网络和ＣＭＡＣ神经网络各自的结构，原理以及算法。提出了一种ＢＰ神经网络与ＣＭＡＣ神经网络组合起来的新型复合神经网络模型，并利用误差逆向传播原理推导出复合网络的学习法。仿真实验结果表明，这种复合神经网络在保留了ＢＰ和ＣＭＡＣ各自特长的基础上，同时具有学习速度快，泛化能力强等特点     

一种改进型神经网络算法NN-LMBP

提出最近邻Levenberg—Marquardt误差反向传播神经网络算法。针对BP神经网络收敛速度慢的不足，利用Levenberg—Marquardt优化算法进行改进。同时为了提高神经网络的泛化能力，进一步基于最近邻算法对样本进行修剪。试验表明，与一般神经网络算法相比，NN-LMBP在改善神经网络泛化能力的基础上，有效地提高了神经网络收敛的速度。     

基于BP神经网络的人脸识别

将BP神经网络用于人脸识别 ,建立了人脸识别模型 ,研究了样本采样训练、样本批量训练和样本完整训练三种训练策略对识别率的影响。所设计的识别模型包括图像压缩、图像抽样、输入矢量标准化、BP神经网络与竞争选择处理过程。利用ORL人脸图像数据库进行了仿真实验 ,结果表明 ,其识别模型在实际应用中是可行的。该模型简单 ,识别率较高。如将训练策略配合使用 ,则在提高训练速度和训练效率的同时 ,也使模型分类性能有了明显提高     

基于神经网络数据融合的目标识别方法研究

综合应用图像识别、神经网络和数据融合技术是多传感器ATR系统的一个重要研究方向。设计了一种基于BP网络和多传感器数据融合的图像识别系统。从信息论的观点出发 ,在理论上探讨了BP网络数据融合用于图像目标识别 /分类的机理。以此理论对实验结果的合理解释证明了该理论的正确性。理论分析和实验结果都证明了神经网络数据融合用于图像目标识别 /分类的有效性和可行性     

基于RBF神经网络的非线性主元分析新方法

在分析非线性主元曲线性质基础上,提出了非线性负载是变量X的函数,基于此,设计非线性负载RBF神经网络结构,给出了随机梯度下降算法。提出的非线性主成分分析方法与以往方法比较,得分和负载在概念上具有和线性主成分分析相同的解释,在结构上较为简单,解决了缺乏训练数据问题,训练容易。与线性主成分分析的对比仿真验证了提出方法的有效性。     

神经元的集聚原理与智能子波神经网络

在对神经元机能空间分布结构和状态转换深入研究的基础上,提出了神经元的集聚原理,并通过构造一种基于广义子波基函数的神经元积聚模型,讨论了由此实现的智能子波神经网络所具有的广义结构可调和广义信息记忆等智能化特性。最后,通过两个仿真实验验证了新网络模型在有关实际问题解决上的可行性和高效性。     

基于IBM的递阶优化控制网络

研究了整体目标函数关于各子系统具有不可加形式的大系统稳态优化控制问题.针对利用多目标优化技术把不可分问题转化为可分问题时采用的选代策略使得计算较慢的问题,提出了具有递阶结构的基于IBM的Hopfield优化网络,并证明了该网络是渐进稳定的,其平衡点为原问题的最优点.仿真表明,这是解决不可分稳态大系统优化问题的有效途径.     

过程神经元网络学习算法及软测量方法的研究

研究输入输出以及连接权函数均可为时间函数的过程神经元网络(process neural network,PNN)的学习算法,在基本算法上增加基函数展开系数的规一化处理、权函数动量项调整项,提出学习率自适应调整方法和加速网络收敛速度的改进算法。将过程神经元网络引入到生产过程质量参数的软测量,研究基于正交基展开的过程神经元网络算法,通过分析原网络收敛速度慢等问题,对传统BP算法加以改进,实现了污水处理过程出水水质BOD的预测,仿真取得较好的结果,实践证明这是一种时变过程参数软测量的新方法。     

基于灰色关联分析的分层模糊神经网络

为解决“模糊规则爆炸”问题,提出一种基于模糊神经网络从试验样本抽取模糊规则的方法。首先,根据灰色关联分析的结果,将输入变量进行两两组合建立分层模糊子系统。其次对每个模糊子系统设计分层参数、结构优化算法。在权值学习过程中,模糊进化规划与分层方法相结合,网络的各层权值独立优化,并且各层权值优化问题简化为二次型问题,降低了权值优化过程中的计算复杂性。最终能够实现整个模糊神经网络的分层优化,各层神经元单独训练且训练结果互不影响。与常规的前向进化神经网络方法相比较,该方法通过对神经元的部分解群体的进化,缩短了个体的编码长度,显著地减少了计算量。同时这种方法不但能够很大程度上简化适应值的计算,更重要的是能够降低适应值空间的复杂性,从而能够加速进化算法收敛到全局最优点。     

基于神经网络最佳分类器通信信号的调制识别

提出了基于最优决策理论的最佳分类器用神经网络实现的方法,并对通信信号的调制类型进行自动识别。这种方法以使类域最大分离为目标,利用神经网络良好的非线性和自适应性,把最优准则下的自学习功能引入训练过程,结合快速训练和修剪算法,克服了一般神经网络分类器的不足,实验证明其性能良好。     

神经网络的智能雷战斗部总体效能评价研究

建立了反直升机智能雷战斗部系统总体效能的评价体系.对各种评价方法进行了分析,这些方法都是以判断矩阵为核心,仍然显著地受决策者的主观影响.对应用人工神经网络技术解决反直升机智能雷战斗部系统总体效能评价问题进行了探讨,给出了神经网络评价模型和算法.对层次TCPSIS法评价结果与神经网络评价结果进行比较,结果表明神经网络的评价结果受决策者的主观性影响较小.     

基于神经网络与可能性理论的雷达型号识别模型

提出了一种雷达型号的融合识别模型。将人工神经网络、模糊匹配和可能性理论有效地结合起来,用人工神经网络进行粗分类,识别出雷达体制,用模糊匹配识别出该体制下的雷达型号,再用可能性理论对不同空域和时域的数据进行融合。实验结果表明,该模型可以提高雷达型号的识别率、可靠性和强噪声环境下的误差容错能力。